在科学技术快速发展的信息时代,人们越来越习惯于借助互联网进行对信息的获取、热议和传播等活动。网民们在充斥着海量数据的互联网上不断关注着各式各样的内容,并对它们发表看法、表达情感。微博作为以短文本为主的代表性社交网络平台,能产生反映丰富用户特征的数据,这些数据蕴藏着无限的社会价值和商业价值。因此如何基于文本特征以及从用户的角度出发,及时发现网民们真正且反复关注的话题,并对这些话题进行热度的趋势预测成为政府相关部门和企业的关注重点,也对整个和谐网络舆论环境的构建、搜索引擎服务的优化、个性化决策支持的改善以及信息服务的完善都有着至关重要的推动作用。本文旨在针对微博短文本进行因网络舆情事件产生的热点话题识别和热度预测研究,即实现基于文本特征和用户特征的热点话题检测和热度跟踪。本文研究内容主要可分为以下三个方面:（1）基于短文本的话题提取。本文采用基于动态嵌入模型BERT和基于改进K-means聚类算法的话题提取技术实现从文本特征的角度对微博短文本进行话题的提取,进而通过实证分析,从网络舆情事件中提取到该事件所产生的话题数与话题内容。这些话题反映了网民对该网络舆情事件真正关注的角度和内容,因而能准确及时地获取网民对该网络舆情事件的关注点。进一步实现了对网络舆情事件变化情况的更好把握以及后续对舆论的正确引导。（2）基于短文本的热点话题识别。首先介绍了热点话题相对于话题的区别以及研究热点话题识别的意义,然后从用户特征和用户行为的角度对热点话题进行量化分析,提出了影响话题热度变化的两个关注度:关键意见领袖关注度和基于用户行为的关注度。最后通过构建的热度公式计算出话题热度值并从中成功识别出了热点话题。（3）热点话题的热度趋势分析。本文采用LSTM模型对已识别到的热点话题进行基于数据的点赞量、转发数、评论数这三个维度的热点话题的热度趋势预测。通过模型的训练与效果的验证,成功获得了拟合度较好的预测模型。结合实证分析,并根据网络舆情生命周期理论和构建的热度衰退函数对预测结果进行了对比分析,从而对热点话题的热度趋势变化在不同阶段所产生的影响进行了具体的深度剖析,提出了针对不同对象在不同阶段针对热点话题热度变化的应对措施,同时也深层次地了解到信息的传播原理。